Token导航 LogoToken导航

AI 资讯 · 田丰说

英伟达Anthropic谷歌入局具身大脑 物理AI GPT时刻何时到来

更新 2026-11-20田丰说正文 6099字阅读约 20分钟11 张图片

作者:快思慢想研究院院长 田丰,财联社科创板日报记者 黄心怡

开篇:会写代码的大模型,扶不起一台摔倒的机器人

2026年“物理AI”最热闹的一周,由三场发布拉开大幕。11月9日,英伟达在美国奥斯汀举行的CoRL 2026上发布新一代机器人模型GR00T 2;同一天,Anthropic发布Fable 5.2,在其自行测试的RoboDojo仿真基准上平均成功率达到64.9%;次日,谷歌DeepMind发布Gemini Robotics 2.5,Apptronik的Apollo 2人形机器人基于它,在奔驰位于匈牙利和德国的产线上自主分拣零件,任务成功率96%。

图片

图:Apptronik Apollo 2人形机器人在奔驰产线上运行Gemini Robotics 2.5分拣零件

国内同样密集发布具身智能模型。11月10日,蚂蚁灵波开源LingBot-Touch触觉基础模型,并推出开发者生态计划;11月16日,华为云发布并开源昇腾原生具身世界模型CloudRobo-WM1.2,正式入局具身大脑。

热闹背后有一个冷峻的挑战。在Anthropic前沿红队的Embody评测里,前沿大模型要把一台摔倒的宇树G1人形机器人扶起来。没有一个模型做到,一次都没有。

大模型能写代码、解数学题、起草合同,却扶不起一台机器人。1988年,机器人学家汉斯·莫拉维克在《心智儿童》中写下著名的“莫拉维克悖论”:让计算机在智力测验上达到成人水平相对容易,让它拥有一岁孩子的感知和行动能力,却难得多。30多年过去,这条悖论依然挡在物理AI门前。

3个问题随之而生,本文将逐一解答:

  1. GPT-6、Fable 5.2这样的通用大模型,会取代具身大脑吗?

  2. 物理AI的临界点还有多远?

  3. 行业又卡在哪些环节?

一、83赫兹:参数堆不平的时差

GPT-6 Astra等通用前沿模型展现出直接控制机器人的能力,业界开始重新审视专用模型的路线。据《财富》11月13日报道,OpenAI解散独立的机器人团队,研究人员并入核心研究部门,应用与硬件人员并入应用部门。这是它6年里第二次撤掉独立机器人团队。

通用大模型的天花板在哪?Anthropic前沿红队在2026年7月发布的Embody评测显示,四足机器人宇树Go2的实时控制约需83Hz,而当时模型在非推理模式下只有约0.2–0.4Hz,差距约200–400倍。直接控制机械臂做操作任务,完成率只有0–5.5%。Anthropic的结论是,今天的前沿模型离开预训练策略,控制不了人形机器人。

图片

图:Anthropic Embody评测中,由大模型直接控制的人形机器人

控制工程里有一条可追溯到奈奎斯特与香农采样定理的常识:采样跟不上信号的变化,信息就会丢失。机器人失去平衡只在一瞬之间,几秒才“想”一次的大脑,只能眼看着机器人身体倒下。

谋先飞联合创始人张衡说,这类大语言模型适合宏观的低频规划,“高频控制目前是这类大规模参数模型难以解决的,这一领域仍有很大的探索空间。”他认为,后续要引入高频运行的模型,研究它与上层低频模型如何结合;无论上层还是下层,都需要理解物理世界。

快思慢想研究院院长田丰做出判断:现在这个阶段,大模型能当机器人的大脑皮层,当不了小脑。参数再大,也越不过两个数量级的“时延鸿沟”;通用大模型能接管“该做什么”,但无法实时微调控制“如何站稳”。

二、快思与慢想:机器人身上的“三层时钟”

通用大模型占据上层任务规划、预训练底座,具身专用模型和高频控制层补齐物理世界理解、实时闭环,双方走向分层协同。

诺贝尔经济学奖得主丹尼尔·卡尼曼在《思考,快与慢》中把人的思维分为两套系统:系统1快速、自动,系统2缓慢、审慎。机器人正长出相似的结构,时钟更精准:语言模型负责秒级的任务规划,VLA(视觉-语言-动作模型)与WAM(世界动作模型)负责亚秒到秒级的动作生成,传统控制负责毫秒级的执行。

图片

图:GR00T 2 Turbo在宇树G1上驱动全身行走、弯腰与搬运

以英伟达的GR00T 2 Turbo为例:它大约每秒规划一次1.6秒长的全身动作块,再交给SONIC控制器以50Hz执行。

各家路线的分歧大半是分工。上下两层做法趋同,真正差异化的只有中间的动作生成层,也就是把意图翻译成动作序列的那一层。Jim Fan今年4月在红杉AI Ascent 2026上宣布VLA路线时,指的正是这一层的预训练方式:从“语言转动作”,换成“预测未来画面再规划动作”。

三、底座越厚,机器人专属层越薄

具身大脑天然建立在通用模型上。Gemini Robotics出自Gemini;GR00T 2基于DreamZero研究,DreamZero建在预训练的图生视频扩散模型上;Runway的GWM-1建在Gen-4.5上。

强化学习先驱理查德·萨顿在2019年的《苦涩的教训》里总结70年AI研究:能借助算力扩展的通用方法,最终会以巨大优势胜出。GR00T 2在目标机器人未训练过的50项任务上零样本成功率约40%;每项任务给5条演示、不到3分钟的机器人数据,在单张RTX 5090上微调约30分钟,平均成功率就升到95%。英伟达白皮书也坦言,受测任务选自模型能学会的范围内。

图片

图:英伟达在CoRL 2026发布GR00T 2与Isaac Lab 3.0

价值因此向两端迁移:上游是最强的视频与多模态底座,下游是真机部署产生的长尾数据。田丰判断,既无底座、又无车队的“通用机器人模型”公司处境最危险,具身公司的护城河将从“模型”迁到“真机数据闭环”。Skild AI创始人Deepak Pathak说机器人没有自己的互联网;反过来讲,部署车队采回的数据,正是通用模型公司拿不到的那一块。

空白也在中间。通用大模型在精细操作和真机稳定性上仍有局限,行业缺少专为物理世界设计的基础模型,去回答“世界下一步会怎样变化”、“行动之后世界如何回应”。据《科创板日报》报道,前达摩院Rynn团队成员创立的睦灵科技正切入这一方向,计划近期发布新模型预览版,据称在物理世界理解与持续学习上领先。

四、编排权:大模型坐上调度台

Embody评测还有一条容易被忽略的结论:同一个模型,接入方式不同,能力天差地别。研究人员让大模型去监督VLA模型MolmoAct,在常规任务上,所有模型的表现都不如MolmoAct单独运行,部分模型只在新任务上反超。

换一种模型接法,局面立刻改观。2026年6月公布的Project Fetch第二阶段里,Claude Opus 4.7独立完成连接摄像头与激光雷达、识别目标等机器狗任务,速度约为去年最快人类团队的20倍,不过机器狗最终仍没能把沙滩球叼回来。MIT的Phillip Isola把这类形态称为“机器人使用型智能体”:大模型在云端,把机器人当执行工具用。

图片

图:Project Fetch第二阶段:Claude Opus 4.7独立为机器狗编程

田丰认为,通用大模型先拿走调度、纠错、跨设备协同这些编排权,而粗暴叠加却会拖累专用策略。大脑与身体之间的接口协议,比如Anthropic今年8月开放研究预览的模型硬件标准MHS,可能比模型之争更早分出胜负。

诺贝尔经济学奖得主罗纳德·科斯在1937年的《企业的性质》中指出,交易成本决定了企业的边界。放到机器人身上,接口就是层与层之间的交易成本:接口越顺畅,分工越精细;接口的定义方,正在划定边界。

五、家里有什么矿,就修什么路

DeepMind、英伟达相继发布具身大脑模型,OpenAI、Anthropic、Runway从不同路径切入。田丰说:“家里有什么矿,就修什么路。”这是一场关于数据来源的押注,模型架构只是各家数据家底的投影。

逐家对照,几乎严丝合缝。DeepMind握有Gemini多模态底座,走语言优先的VLA,再让旗舰模型Gemini 4 Argon生成数字孪生和成千上万次模拟演练。英伟达卖算力,GR00T 2的预训练数据约92%是人类视频,这条路越走,对算力和仿真平台的需求越大。Runway的家底是视频生成,于是做仿真器和评测器。OpenAI的机器人部门据报道源自世界模拟研究,选择自建整机。Anthropic没有机器人数据,就做大模型与硬件之间的接口标准。

图片

图:Gemini 4 Argon为机器人构建MuJoCo数字孪生并做模拟演练

模型公司的技术架构跟着资产负债表走。判断一家公司会不会换路线,要看它的数据结构会不会变。

格局也会因此收窄。蚂蚁灵波CEO朱兴认为,至少在中国,物理基础模型不会有太多玩家,正如大语言模型主要是千问、DeepSeek、字节、智谱、Kimi五家。2027年之前会有第一波收敛,长期或剩3至5家,“先收敛一波,再分裂一波,再收敛一波,而且周期可能比自动驾驶更长。”

六、数据:Scaling Law的开关藏在哪里?

朱兴认为,基础模型要落地绕不开后训练,而后训练很重要的环节就是处理数据。真机、UMI、Ego等采集方式进展很快,本质突破却很艰难。行业都在等具身智能的Scaling Law时刻,可在那之前,得先锁定哪种数据的Scaling up能促成Scaling Law?哪种数据最合适、能触发智能涌现,至今没有共识,也没有答案。

线索正在浮现。GR00T 2把人类视频在训练数据中的占比从0提到100%,真机任务进度从50%升到70%;英伟达还把10万小时人类数据以CC BY 4.0协议开放。数据采集的瓶颈正在松动。

也有厂商选了更重的路。睿尔曼通过GLN远程作业网络,让机器人在工厂、仓库、商店等真实场景中边作业边产生数据。比起单纯做标注或仿真合成,这条路更重、更慢,数据与真实物理世界的偏差却更小。“我们发现室内的数据和真实环境还是有很大区别的,比如光感、温度等都不适应。”睿尔曼相关负责人说。机器人在一线工厂的每一次抓取、搬运与投放,都在回流真机数据,既反哺模型,也向产业链开放。

图片

图:睿尔曼RealBOT机器人在真实作业场景中采集真机数据

朱兴说,不管技术范式、模型架构怎么变,有三样东西不变:

  1. 优秀的团队;

  2. 对数据的沉淀、理解与know-how;

  3. 包含数据闭环与训练技术的基础设施能力。

七、真正的拐点,是评测成本跌下来

大语言模型迭代快,靠的是跑基准几乎不花钱。机器人没有这个优势。丰田研究院Russ Tedrake团队2025年为严谨评估一组大行为模型,做了1800次真机测试,外加4.7万次仿真测试。

评测难,难在归因。蚂蚁灵波首席科学家沈宇军说,模型、数据、部署耦合在一起,很难拆开。“如果评测结果不好,很难说是模型的问题,还是数据和部署的问题。”全行业认可的真机Benchmark难产,仿真Benchmark又面临与物理世界对齐的问题。“如果在仿真上表现不好,证明模型肯定不行;但在仿真上表现好,并不代表模型可以。”

真机考试太贵,世界模型便最先在这里落地,也最先产生商业价值。坚持VLA的DeepMind也用Argon生成模拟演练;Runway今年2月在世界模型里模拟8个操作策略,与真机结果的相关系数达0.95;英伟达Cosmos模型到7月在Hugging Face的下载量已突破1000万次。世界模型正在变成全行业共用的数据工厂和考场。

图片

图:Runway在世界模型GWM-Robotics中模拟机器人策略并与真机对照

诺贝尔物理学奖得主费曼的经典名言是:“我无法创造的东西,是我没有真正理解的。”田丰认为,当仿真评测与真机结果高度一致,机器人研发的迭代速度才会接近软件,飞轮才算点火。与其看发布会演示,不如盯住Runway、英伟达等公布的“仿真-真机一致性”数据。

八、临界点还差“几个9”?

宇树科技创始人王兴兴多次说,未来一两年就会有突破,大模型泛化能力的临界点越来越近。“GPT时刻”的口径却存在分歧:黄仁勋在CES 2026新闻稿里写“机器人的ChatGPT时刻已经到来”;Jim Fan称世界动作模型是机器人的“GPT-2时刻”;诺贝尔化学奖得主哈萨比斯1月在达沃斯说,物理智能的突破还要约18个月到两年;据报道OpenAI人形机器人也瞄准2027年演示。

田丰预测:以GR00T 2零样本约40%计,行业处在GPT-2与GPT-3之间,规模化预训练已证明有效,零样本泛化尚不可用。1–2年内(2027-2028年)大概率迎来能力临界点,规模商用还要更晚,中间隔着可靠性和评测成本两道坎。2027年会是演示密集年,媒体所说的多是具身能力临界点,普通人用得上的“ChatGPT时刻”是另一张时间表。

语言模型答错能重来,物理失误却不可逆。Figure 02在宝马斯帕坦堡工厂累计运行1250小时以上,公司公布的目标是每班成功率超过99%。从奔驰试点的96%走到99.9%,失败率要从4%降到0.1%,压缩40倍。每多一个9,长尾工况就成倍增加。

图片

图:Figure 02人形机器人在宝马斯帕坦堡工厂

临界点会按场景逐个渗透点亮:先是结构化工厂的拣配、上料,再是物流,家庭场景则在最后。自动驾驶走过同样的路:从2007年DARPA城市挑战赛到2018年12月Waymo在凤凰城地区上线商业服务,用了约11年,至今仍逐城开放。

结语:收敛前夜,先修路,再赛车

沈宇军用“先有鸡还是先有蛋”形容眼下:环节不收敛,Benchmark就不收敛,模型也难收敛。他判断在不远的将来,评测、模型和数据采集标准都会收敛,行业将明显加速。具身大脑的竞争,正从“模型架构”转向“数据工厂“、”评测体系“、”接口标准”:通用模型公司占据上层和底座,硬件与部署方握有真机数据,世界模型在中间做训练场和考场。围绕这三件事,田丰提出三条建议:

1)共建国家级“具身考场”。由创新中心牵头,联合整机厂、模型公司与高校,建立真机与仿真双轨的开放评测基准,统一任务定义、失败归因和“仿真-真机一致性”的披露口径;首台套采购、揭榜挂帅等支持政策与评测结果挂钩。

2)把接口做成公共标准。推动大模型与本体之间的接口协议、动作表示与触觉数据格式开放互认,以已开源的国产世界模型、触觉模型做参考实现,让中小整机厂不必重造大脑。

3)给物理AI装上“保险丝”。按可靠性分级准入,工厂先行,家庭从严;高频控制层保留独立安全冗余,大模型只管规划;建立事故上报与数据共享机制,让一线工人参与数据采集、分享收益,并获得转岗培训。

图片

图:华为云发布并开源昇腾原生具身世界模型CloudRobo-WM1.2

未来一年,具身智能企业应聚焦三个指标数字:零样本成功率、产线失败率、仿真与真机的一致性。发布会的掌声终会散去,沉淀下来的是新质生产力价值。

参考文章:《物理AI临界点将至?巨头集体入局具身大脑,行业将迎第一波收敛》,财联社科创板日报记者 黄心怡

图片
畅销书:《AI商业进化论:“人工智能+”赋能新质生产力发展》

出版社:人民邮电出版社

作者:田丰

帮助你定位AI当下发展坐标的指南针

帮助你洞察AI未来演进趋势的航海图

通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照,又有各行业应用层面的下探记录,聚焦AI的原理与实践、现在与未来,是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。